GPT-Live-1: OpenAI åbner for stemme-AI, der kan lytte og tale samtidig

GPT-Live-1 er OpenAIs API-model til stemmesamtaler, der skal føles mere som en løbende dialog end som en række optagede skift mellem bruger og system. Modellen blev gjort tilgængelig i API'et 10. september 2026 og koster 0,05 dollar pr. minut for stemmelaget i frontenden. Ræsonneringsmodel, værktøjer og den øvrige infrastruktur, der kobles på bagved, afregnes særskilt. 35

Hvad betyder full-duplex?

Mange stemmeagenter bygger på en kæde: Tale bliver først lavet om til tekst med speech-to-text, en sprogmodel formulerer et tekstsvar, og text-to-speech laver svaret om til lyd. Det kan fungere fint, men hvert led er en overlevering, hvor applikationen selv skal styre pauser, ændret hensigt og afbrydelser. 3

GPT-Live-1 er i stedet positioneret som én stemmemodel, der arbejder med både indgående og udgående lyd. Full-duplex-designet betyder i praksis, at den kan blive ved med at lytte, mens den taler. Det skal gøre den bedre til at reagere på en afbrydelse eller et kort "ja" uden at opfatte enhver lyd, stilhed eller samtale i baggrunden som et nyt, obligatorisk talerskifte. 3

Det handler altså ikke kun om at få lyden hurtigere ud. Målet er bedre styring af samtalen: at skelne mellem en person, der stadig tænker, en reel afbrydelse og en kort bekræftelse, der ikke kalder på et nyt svar. OpenAI kalder modellen sin førende løsning til naturlige, udtryksfulde stemmesamtaler med glidende håndtering af afbrydelser. 23

Stemme i realtid – og ræsonnering i et separat lag

GPT-Live-1 behøver ikke selv at klare al forretningslogik. Den kan fastholde den levende samtale, mens dybere ræsonnering, værktøjskald og handlinger sendes videre til en separat backend-model og agentramme. 3

Det giver udviklere flere muligheder:

• En hurtigere og billigere backend kan bruges til rutineopgaver som tidsbestilling eller ordrestatus.
• Svære henvendelser kan løftes til en stærkere model som GPT-6 Astra.
• Understøttede tredjepartsmodeller kan kobles på, hvis de passer bedre til den eksisterende tekniske løsning. 3

Systemet bliver dermed todelt: GPT-Live-1 styrer selve stemmedialogen, mens backend'en leverer ræsonnering, virksomhedsdata og handlinger. Konsekvensen er også, at den annoncerede pris for stemme ikke er den samlede pris for en agent. Backend-inferens, værktøjer, telefoni og beslægtede tjenester kan lægge oveni. 35

API-funktioner og mulige anvendelser

Ifølge OpenAI kan udviklere styre tone, tempo og samtalestil gennem systemprompten. GPT-Live-1 leverer også transskriptioner og svartekst, understøtter forståelse af alfanumeriske oplysninger og keyword biasing samt tilbyder turdetektion til produkter, der fortsat har behov for tydelige grænser mellem taleture. 3

Modellen er tænkt til længere sessioner og telefonbaserede agenter, eksempelvis kundeservice og reservationer. OpenAI oplyser, at den kan håndtere stilhed og baggrundsstøj uden at sætte ord på hvert internt skridt – en relevant egenskab i rigtige telefonsamtaler og andre mindre kontrollerede omgivelser. 3

Det fremlagte materiale fastslår ikke en endelig liste over understøttede sprog eller detaljerede udviklerkontroller for bestemte accenter og dialekter. De forhold bør derfor bekræftes i den aktuelle API-dokumentation, før de bliver til konkrete implementeringskrav.

OpenAIs rapporterede benchmarkresultater

OpenAI oplyser, at GPT-Live-1 forbedrede resultatet på Full Duplex Bench med 30 procentpoint sammenlignet med GPT-Realtime-2.1. Evalueringen fokuserer på interaktiv stemmeadfærd, herunder turtagning, pauser, afbrydelser, korte bekræftelser og tale i baggrunden. 3

Sammen med GPT-6 Astra med middel ræsonneringsindsats oplyser OpenAI også, at GPT-Live-1 blev nummer ét på Tau3, et benchmark for stemmeagenters evne til at løse opgaver fra ende til anden. Kundeservicedelen omfatter talebaserede opgaver inden for flyrejser, detailhandel og telekommunikation. 3

Sekundære medier angiver konkrete tal for svartid ved turtagning og Tau3-resultater, men de tilgængelige primærkilder her angiver ikke de præcise værdier. Den forsvarlige konklusion er derfor, at OpenAI rapporterer markante forbedringer i interaktiv adfærd og en topplacering på Tau3 for kombinationen GPT-Live-1 og Astra – ikke at ethvert produkt vil opnå et bestemt benchmarktal. 37

Sådan bruger de første kunder modellen

OpenAI fremhæver flere tidlige implementeringer:

• Yelp bruger GPT-Live-1 i Yelp Host til indgående opkald til restauranter, blandt andet reservationer og madbestillinger. Yelp rapporterer bedre turtagning og nøjagtighed end i sin tidligere, konventionelle stemmearkitektur, samt bedre håndtering af opkald og mere fyldestgørende svar fra kunderne. 3
• Speak bruger modellen i sin sprogunderviser. OpenAI oplyser, at eleverne kan bruge længere tid på at formulere svar, og at antallet af afbrydelser faldt med næsten 80 procent sammenlignet med Speaks tidligere turbaserede system. 34
• En unavngiven sundhedsvirksomhed oplyste, at skiftet væk fra en kædebaseret arkitektur reducerede kodebasen med 80 procent og fjernede 23.000 linjer kode. Ifølge virksomheden gav det mere naturlige samtaler med patienter i realtid, fra tidsbestilling til hjælp med at finde vej i behandlingsforløbet. Det er et virksomhedsrapporteret resultat og ikke en uafhængigt revideret vurdering. 3

Eksemplerne peger på, hvor full-duplex især kan gøre en forskel: Når en opkalder tøver, retter sig selv, kvitterer midt i agentens sætning eller afbryder uden at ville starte hele dialogen forfra.

Pris og OpenAI Presence

GPT-Live-1 koster 0,05 dollar pr. minut for stemmelaget i frontenden. Udviklere kan kombinere den med den backend-model og agentløsning, de foretrækker, men de valg afgør den samlede driftspris, fordi de faktureres ud over stemmelaget. 35

OpenAI nævner også OpenAI Presence som en anden måde at bygge stemmearbejdsgange med GPT-Live-1 på til stemmeinteraktion i realtid. Det foreliggende materiale beskriver dog ikke Presence-programmets eventuelle krav for virksomheder, kommercielle vilkår, hostingmodel eller adgangsproces. De detaljer kan derfor ikke udledes af API-lanceringen alene. 3

For teams, der vurderer modellen, er det centrale spørgsmål derfor større end minutprisen: Hvor meget værdi skaber mere flydende turtagning i den konkrete arbejdsgang, og hvilken kombination af backend-model og værktøjer giver tilstrækkelig driftssikkerhed til en samlet pris, man kan acceptere?